选股能力Alpha的提纯与改进框架 - 从Alpha纯粹度、置信度与异质性三个维度出发，构建选股能力Alpha的改进思路框架 [1] - 传统时序回归Alpha存在行业集中度过高问题，多头组合易受行业回调影响 [3] - 截面回归Alpha相比时序回归在IC均值、ICIR等指标上有显著提升（IC均值从4.52%提升至6.30%，ICIR从0.29提升至0.73） [5] Alpha纯粹度改进方法 - 采用截面回归重估因子溢价，显著改善风险指标（跟踪误差从4.8%降至2.5%，相对回撤从16.3%降至5.3%） [5] - 纳入潜在因子可提升预测效果，以FF3模型为例，信息比率从0.84最高提升至1.24 [6][8] - 潜在因子最佳数目因模型而异，Carhart模型在kl=1时信息比率达1.31 [8] Alpha置信度提升方法 - 融合p值信息可改善风险指标，年化波动从22.7%降至20.9%，跟踪误差从4.8%降至2.9% [10] - p值调整Alpha中adj_rank方法效果最佳，信息比率从0.25提升至0.41 [11][13] - 截面回归结合p值调整后，信息比率最高从0.84提升至1.42（Carhart模型kl*情形） [13] Alpha异质性修正方法 - 存在明显Beta异象，HML暴露与Alpha呈现-0.92高负相关性 [15] - 基金回归Beta调整效果最佳，时序Alpha信息比率从0.25提升至1.19（邻域重排法） [16][17] - 截面Alpha经基金回归Beta调整后，信息比率从1.02最高提升至1.28 [16]